容易逻辑混乱的逻辑回归

这天聊Logistics回归。

Logistics回归是大多数初学者接触机器学习时，要学习的第一款分类学习算法。中文一般译作逻辑回归。

实话实说，这个名字很容易引起错乱。

我们知道，机器学习主要分为有监督学习和无监督学习，颇有点天生万物分出了人界和妖界的意思，当然现在又出现了半人半妖的半监督学习，我们另外再聊。

有监督学习呢，又具体分几类问题，最最主要的有两类，一类叫回归问题，一类叫分类问题。

看到这里，看明白了吧？

回归问题和分类问题根本是两类问题。那么，这个用于解决分类问题的Logistics回归，究竟算身在曹营心在汉呢，还是反过来呢？烧脑。

总之，这个Logistics回归虽然叫逻辑回归，但既无逻辑，又非回归，有些中译取音译叫逻辑斯蒂回归，看了让人直挠头。

那我们就不由得想问了，为啥两样八字对不上的玩意非要凑到一起呢？

其实，Logistics回归作为分类问题的新手装，说也简单，结构就是线性回归套上Logistics函数，图像是这样：

Logistics函数是非线性函数，图像呈S型，看着简单，里面大有文章。

要知道，线性回归只能输出线性变化的值，这是肯定没法预测需要输出离散值的分类问题，但套上了Logistics函数，输出就呈非线性了，特别是放大坐标轴尺度后，Logistics函数的图像非常类似阶跃函数，特别适合用于做二元分类问题的预测。

这样做还有一个好处：线性回归好用呀，本身是一款成熟的机器学习模型，拟合数据的能力那称得上有口皆碑，和具有阶跃能力的Logistics回归强强联手，Logistics回归自然也就具备了拟合数据的能力，也就是学习能力，这样一来Logistics回归立马就变成一款经得住实践检验的机器学习模型。

下次再聊。